GWLS-SVR模型的红枣树叶片叶绿素含量估算

叶绿素含量是红枣树光合作用能力、生长状况、营养状况的指示剂,不同地理位置种植的红枣树受到自然、人为等因素的影响,叶绿素含量分布有所不同,该研究实地测定了若羌县枣树叶片高光谱反射率及表征叶绿素含量的枣树叶片SPAD（soil plant analysis development)值。为了高效无损地估算红枣树叶片SPAD值,计算了红枣树叶片SPAD值全局莫兰指数,以SPAD值和高光谱波段之间的相关性为基础,通过C_P统计量计算重要程度高的特征波段,运用地理加权最小二乘支持向量回归GWLS-SVR（geographically weighted least squares-support vector regression）模型对红枣树叶片SPAD值进行预测,与多元线性回归（MLR）、支持向量机回归（SVR）模型比较并探讨GWLS-SVR模型估算红枣树叶片SPAD值的能力。结果表明：（1）光谱一阶导数可以有效去除噪声并突出光谱信息尤其是492~510,542~543,642~652,657~670和682~692 nm区间内显著的提高了与SPAD值的相关性。（2）C_P统计量方法能够有效的选择敏感区间的特征波段,进而提高模型估算精度,由统计量方法计算出原始光谱重要程度最高的两个变量为595与696 nm,光谱一阶导数的特征波段为688 nm。其中对于同一个敏感波段区间的波段组合总有单个波段的统计量低于多个波段组合的统计量,这可能是相近波段间的较强共线性导致的。（3）若羌县红枣树叶片SPAD值存在显著的空间聚集性,全局莫兰指数为0.125 8（p<0.1）,适合建立考虑空间位置的GWLS-SVR模型。（4）结合Bootstrap再抽样与t检验模型检验得到结合地理位置信息的GWLS-SVR模型总体上估算能力优于SVR和MLR模型,且结果高度显著（p<0.001）,其中基于光谱一阶导数的GWLS-SVR模型为最优的红枣树叶片SPAD值估算模型（R2为0.975,MSE为1.082）,能够为高光谱定量反演红枣树SPAD值进而快速无损的监测红枣生长状况提供一定参考。     

琅琊山景区不同叶绿素条件下树种叶片光谱差异分析

叶绿素含量高低反映植物健康状况,研究景区树种叶片叶绿素绝对值(SPAD)不同的光谱变化规律能为叶绿素高光谱监测波段识别与景区树种管理提供理论支撑。从琅琊山景区灌木和乔木类选取9个常见树种,探讨相同树种叶片SPAD值变化时的光谱差异,同时,横向对比相同SPAD值不同树种叶片的光谱特征,并深入分析不同树种叶片SPAD值与单波段原始光谱、光谱倒数、一阶微分、二阶微分及波段组合差值指数、归一化指数、比值指数、一阶微分归一化指数、一阶微分比值指数之间的关系。结果表明：9个所测树种叶片随着叶绿素SPAD值的升高,光谱变化规律各不相同,在可见光波段区分明显,总体上,光谱反射率最高的样本组SPAD值较低;叶绿素SPAD值相同时,在可见光波段,桂花较其余树种反射率整体较高; 在780~1 350 nm波段,广玉兰叶片反射率始终排前三,其余波段变化规律不明显;原始光谱反射率的二阶微分与海桐叶片SPAD值相关系数最大,一阶微分与其余8种相关性最高;与灌木、落叶乔木叶片SPAD值相关系数最大的光谱指数分别为差值指数、一阶微分归一化指数,与常绿乔木、不分树种相关系数最大的为一阶微分比值指数。     

优化光谱指数建立水稻叶片SPAD的高光谱反演模型

利用高光谱反射率光谱的特征波段构建光谱指数,建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量（SPAD）的高光谱反演模型,分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据,利用小波分析法对原始光谱反射率曲线进行降噪处理,并对基于积分运算的光谱指数NAOC进行简化,获得了基于双波段简化运算的优化光谱指数。利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、1/R和R构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数,获得了以积分限（a,b）为横、纵坐标的相关系数二维矩阵,并绘制相关性等势图,得到相关系数最高的3个波段组合：R（641,790）（0.872 6）,R（653,767）（0.871 7）和R（644,774）（0.871 6）,计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值,按照2∶1的比例划分为建模集和验证集,建立了三种水稻叶片SPAD反演模型：偏最小二乘回归（PLSR）、支持向量机（SVM）和BP神经网络模型。结果显示：利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79,归一化均方根误差NRMSE则小于5.4%。其中BP神经网络相对于其他两种模型具有较高的拟合度,预测精度也相对较高,建模集R2=0.842 6,NRMSE=5.152 7%;验证集R2=0.857,NRMSE=4.829 9%。总体来看,基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的;对比分析3种模型反演结果发现,BP神经网络对水稻叶片SPAD的反演效果较好。该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。     

滞尘影响下的茶树叶片水分高光谱估算

减少叶面滞尘对茶树叶片水分有效光谱信息提取的干扰,有利于建立更加稳健的茶树叶片水分高光谱估算模型。以“舒茶早”为研究对象,通过田间随机采集鲜叶样品,测定叶片原始光谱反射率、含水量以及滞尘率。比较分析滞尘对茶树叶片原始光谱的影响,分别基于归一化计算与比值计算方法构建新波段植被指数,并利用相关系数法筛选叶片水分含量相关性最高的新波段植被指数,结合相对变率分析获取滞尘对叶片水分估算影响不敏感的待选指数。通过分析不同滞尘条件下新建植被指数和已有水分指数与滞尘的响应关系,筛选出滞尘影响下茶树叶片水分估算的最优植被指数,最终构建茶树叶片水分估算的高精度模型。结果表明：（1）位于711~1 378 nm波段范围的叶片光谱反射率受滞尘影响呈现显著降低的趋势,随着滞尘率增大光谱反射率减小,且无尘叶片反射率与有尘状态反射率具有明显聚类现象,相同状态下的不同叶片反射率差异性极显著。（2）新波段植被指数、已有水分指数与茶树叶片含水量之间的相关性以及基于该指数构建的茶树叶片水分估算模型的精度,在滞尘影响下均呈现明显的下降趋势。（3）在滞尘混合状态下,以1 298和1 325 nm为中心波段的新建比值植被指数对滞尘敏感性最低,且与叶片含水量相关性高,为最优植被指数,其建立的茶树叶片水分高光谱估算模型具有较高的预测精度（y=0.245x-0.241,R2=0.854,RMSE=0.001）,并且实测值与预测值具有较好的一致性。因此,该研究可为茶树的水分精细化管理提供依据,并可为基于高光谱信息构建复杂环境条件下的水分估算高精度模型提供新思路。     

植被叶片生化组分的光谱响应特征分析

依据LOPEX’93数据,分别使用地表反射率光谱及其变化量以及光谱指数分析了鲜叶片叶绿素和水分含量的光谱响应。结果表明,在反射率光谱及其变化量的分析中,反射率的二阶导数对叶绿素具有较高的响应,对叶绿素响应较高的波段依次为600,700,670,410,490,500和440nm,这些波段区间能够较好地反映植被叶绿素的含量;反射率光谱经连续统去除后对叶片含水量具有较高的响应,对水分含量响应较高的波段依次为:1870,2130,2180,1820,2350和2120nm,分别对应着水分在短波红外波段的吸收波段。在光谱指数的分析方法中,光谱指数ND(normalized difference)对叶绿素含量较其他指数具有更高的响应,其相关系数为0.618;光谱指数Ratio975对叶片水分含量具有较高的响应,相关系数可达0.996。根据以上的响应分析,构建相关模型,对叶片中叶绿素和含水量开展地基反演实验,结果表明,基于地面光谱数据反演叶片中叶绿素和含水量可达到较高的精度。     

基于反射光谱技术的植物叶片SPAD值预测建模方法研究

植物叶片SPAD值反映了植物叶绿素含量,对特定的植物也反映了氮含量。为了实现植物叶绿素含量的快速无损检测,利用光纤反射光谱技术对植物叶片SPAD值进行了预测建模研究。实验中选取70个样本作为建模集,50个样本作为校验集。通过叶片光谱比对,发现光谱红边段650～750 nm对SPAD预测建模有直接关系。实验确定了光强调节因子和叶片厚度影响因子。首先通过待定系数法构造出SPAD预测公式,然后用Visual Basic6.0设计的遗传算法进行参数寻优,最后确定最佳敏感波段为683.24～733.91 nm。分析表明,叶片厚度对SPAD反射光谱模型精度有显著影响。经过叶片厚度修正后的建模集拟合因子R2为0.865 8, 校验集拟合因子R2为0.916 1。结果表明, 利用反射光谱技术建立的SPAD预测模型是成功的, 从而可为仪器开发提供方法指导。     

消费级近红外相机的水稻叶片叶绿素(SPAD)分布预测

便捷可靠的作物营养诊断是作物科学施肥管理的基础,也是精准农业的核心。叶绿素含量是作物氮营养含量的重要指标。以水稻叶片为研究对象,用改造后的普通单反相机搭载滤波片的方式拍摄叶片的可见光和中心波长为650,680,720,760,850和950 nm多个波段的近红外图像,获取不同波段的相对反射率值,通过可见光与多个近红外波段结合的回归分析与比较,筛选出精度较高且稳定的模型。经过对比相机三个成像通道,R通道与叶绿素含量(SPAD值)的相关性要高于B和G通道。实验结果表明,植被指数GVI最能反映作物的生长状况,近红外波段760 nm对SPAD值的预测效果最好,最小二乘支持向量机法结合多个植被指数建模的预测精度R2为0.831 4,取得了较为理想的效果。同时使用高光谱成像仪采集水稻叶片的高光谱影像,对比消费级近红外相机成像方式下与高光谱成像方式下得到的植被指数多因子预测模型精度,两者相当。实验证明消费级近红外相机能够获得与高光谱成像仪相近的叶绿素含量估测结果。     

基于高斯回归分析的水稻氮素敏感波段筛选及含量估算

水稻氮素含量的准确监测是稻田精准施肥的重要环节,水稻叶片氮素含量发生变化会引起叶片、冠层的光谱发射率发生变化,高光谱遥感是目前作物氮素无损监测的关键技术之一。以2018年-2019年湖北监利两年水稻氮肥试验为基础,分别获取水稻分蘖期、拔节期、孕穗期、扬花期、灌浆期五个生育期水稻叶片和冠层两个尺度的高光谱反射率数据及对应的叶片氮素含量数据,利用单波段原始光谱和一阶导数光谱的相关性分析、高斯过程回归（GPR）等方法筛选水稻全生育期叶片及冠层尺度氮素敏感波段。针对敏感波段,利用单波段回归分析、随机森林（RF）、支持向量回归（SVR）、高斯过程回归-随机森林（GPR-RF）、高斯过程回归-支持向量回归（GPR-SVR）和GPR构建水稻氮素监测模型,并进行精度对比,以确定水稻叶片在各生育期的氮素估算最佳模型。结果表明：GPR筛选的敏感波段符合水稻氮素含量及光谱变化的规律。相同条件下,叶片模型精度整体高于冠层模型。相关性分析模型中,叶片尺度原始光谱模型更好,冠层尺度刚好相反,冠层一阶导数光谱可以减弱稻田背景噪声的影响。其中,叶片最佳模型建模集R2为0.79,验证集R2为0.84;冠层最佳模型建模集R2为0.80,验证集R2为0.77。与相关性回归分析模型相比,机器学习模型受生育期影响小（R2>0.80,NRMSE<10%）。其中,RF比SVR更适合对GPR敏感波段建模,GPR-RF模型可以用1.5%左右的波段达到RF模型使用全部波段的精度。五种方法中,GPR模型对生育期敏感度最低、叶片及冠层尺度效果都很好(R2>0.94,NRMSE<6%)。且与其他四种机器学习方法相比,GPR模型可有效提高冠层氮素含量估算的精度和稳定性（R2增加0.02,NRMSE降低1.2%）。GPR方法可为筛选作物氮素高光谱敏感波段、反演各生育期叶片及冠层氮素含量提供方法参考。     

冬小麦活体叶片叶绿素和水分含量与反射光谱的模型建立

定量测定小麦活体叶片的叶绿素含量和水分含量,在小麦估产、农情监测等方面具有重要的意义,同时可为进行高光谱遥感提供基础。文章使用ASD便携式光谱仪和LI-COR 1800型积分球,在350～1 650 nm的光谱范围内,测量冬小麦叶片在不同生长期的反射光谱,用偏最小二乘方法建立了冬小麦叶片叶绿素和水分含量与反射光谱的定量分析模型。在400～750 nm的光谱范围,建立了叶绿素含量与反射光谱的模型,结果为：叶绿素的预测值与真实值的相关系数为0.898,相对标准偏差为13.6%。在1 400～1 600 nm的光谱范围,建立了水分含量与反射光谱的模型,其结果为：水分的预测值与真实值的相关系数为0.999,相对标准偏差为0.3%。在农业生产中,这些结果是满意的。     

基于 PROSPECT模型的蔬菜叶片叶绿素含量和SPAD值反演

叶绿素含量是衡量植物营养和病虫害发生情况的重要指标。传统的分光光度法对植物叶片破坏性较大且无法实时、快速、无损地获取叶绿素含量。新兴的利用叶绿素仪测量叶绿素相对含量（以下简称SPAD值）的方法不能定量获取实际含量。光学辐射传输模型PROSPECT从生物物理、化学的角度以及能量传输的过程出发,定量描述了叶片色素、水分、结构参数等对叶片反射光谱的影响。因此,提出利用PROSPECT模型同时反演蔬菜叶片叶绿素含量和SPAD值,实时、快速、无损、定量获取植物叶片叶绿素的含量。第一,多次测量三种蔬菜叶片的反射光谱,并用叶绿素仪测量SPAD值。然后,预处理光谱数据,获得平均反射率光谱。第二,以欧式距离为评价函数,利用PROSPECT模型对实测反射率光谱进行拟合。拟合过程中三种蔬菜欧式距离最大为0.008 9,最小为0.006 4,平均为0.007 5,表明该模型能够很好地拟合蔬菜叶片的反射率光谱。第三,根据拟合结果,反演叶绿素含量和透射率光谱,再根据透射率光谱获取叶片在940和650 nm波长处的光透过率,计算叶片的反演SPAD值。第四,建立反演叶绿素含量、反演SPAD值与实测SPAD值的关系模型。结果表明: (1)利用该模型反演得到的叶绿素含量值与实测SPAD值有较好的线性关系, 其关系模型为：y=1.463 3x+16.374 3,两者相关系数为0.927 1,模型的决定系数为0.862,均方根误差为2.11;(2)利用该模型反演得到的SPAD值与实测SPAD值之间线性关系较好,其关系模型为：y=0.986 9x-0.668 3,两者相关系数为0.845 1, 模型的决定系数为0.714 3,均方根误差为3.380 2。研究表明,通过测量植物叶片的反射率光谱,利用PROSPECT模型可以无损、定量地获取蔬菜叶片的叶绿素含量和SPAD值。该方法可推广至其他植物的叶绿素测量和实时监测,为变量施肥、精准种植提供可靠的数据支持。研究结果对蔬菜生长态势的无损监测具有重要的意义。     

琅琊山景区不同指标浓度下水质光谱差异分析

高光谱技术已广泛运用于水质检测领域。探讨不同指标浓度下水质光谱变化规律及其光谱特征,能够为水质指标遥感光谱精准识别与定量提取提供理论基础。选取琅琊山景区不同水体景观共47个典型站位进行水质指标与光谱同步测量,提取每个检测点的7个水质指标及350~950 nm波段,探讨不同浓度水质指标光谱特征变化规律,分析水质指标与光谱反射率、反射率一阶微分、任意两波段反射率比值及差值之间的关系。结果表明： 各水质指标光谱曲线变化趋势一致,但各有差异,区分度最大的波段在可见光范围;不同盐度、溶解性总固体、电导率含量的水质光谱曲线变化较为接近,含量最高的样本光谱反射率最高,且变化最显著;浊度含量较高的水质样本光谱反射率变化较显著,700~950 nm波段不同浊度含量的水质样本光谱反射率区分不明显;溶解氧浓度为4~4.9 mg·L-1的水质光谱反射率在350~900 nm波段内明显低于其余样本;在350~380 nm波段范围,光谱反射率不随叶绿素含量变化而变化,叶绿素含量接近0的样本在400~950 nm波段低于其余样本;不同蓝绿藻藻蓝蛋白含量的样本光谱曲线相比其余水质指标在350~730 nm波段变化较大,交叉点较多。此外,水质指标与原始光谱反射率相关性较低,光谱一阶微分、差值指数、比值指数与各水质指标相关性整体有所提升。该研究可为水质高光谱遥感检测提供一定的理论基础。     

光谱重构油菜叶绿素含量快速检测方法及设备研制

为了实现油菜叶片中叶绿素含量的快速无损检测,开发了手持式多光谱成像系统用于采集油菜叶片在460,520,660,740,840和940 nm 六个波段的光谱图像。将一台能够采集可见光/近红外（380～1 023 nm）512个波段光谱图像但是价格高昂且体积大的室内高光谱成像系统作为参考仪器,将手持式多光谱成像系统作为目标仪器后,采用伪逆法（pseudo-inverse method）求得高光谱成像系统和多光谱成像系统两台仪器之间的转换矩阵F,从而实现6个波段的多光谱图像向512个波段的高光谱图像的重构,提高了手持式设备的光谱分辨率。运用偏最小二乘回归算法（PLSR）建立了重构的光谱与油菜叶片的叶绿素含量之间的关系模型。结果表明,重构的可见光范围内的光谱反射率与叶绿素浓度之间具有很强的相关性,PLSR回归模型建模集的决定系数R2_c为0.82,建模集均方根误差RMESC为1.98,预测集的决定系数R2_p为0.78,预测集均方根误差RMESP为1.50,RPD为2.14。虽然应用本文开发的手持式成像系统结合PLSR模型实现油菜叶绿素含量快速无损预测的精度低于基于室内高光谱成像系统获得的高光谱图像建立的PLSR模型（R2_c,RMESC,R2_p,RMESP和RPD分别为0.90,1.41,0.82,1.36和2.37）,但是明显优于基于原始多光谱成像系统4个波段（460,520,660和740 nm）反射率建立的PLSR模型得到的结果（R2_c,RMESC,R2_p,RMESP和RPD分别为0.78,2.06,0.72,1.85和1.88）。表明光谱重构技术可提高多光谱成像预测油菜叶绿素含量的精度,并且与室内高光谱成像系统相比,开发的手持式设备具有体积小、成本低廉和操作简便等优点,可为田间油菜叶片的生理状态和养分检测及可视化表达提供技术支持。     

不同氮肥处理下小麦冠层和叶片光谱特征及产量分析

利用遥感光谱无损、快速分析出氮肥的施用时期和施用模式,对于保护环境、产量及氮肥利用率的提高具有重要意义。利用FieldSpec 4 Wide-Res Field Spectrum radiometer便携式地物光谱仪,测定了不同氮水平下小麦冠层和叶片两种模式光谱特征及红边参数变化规律;提出一个新指数--归一化差异最大指数（normalized difference maximum index,NDMI）,并分析其与叶面积指数（leaf area index,LAI）、SPAD（soil and plant analyzer development）值、MDA（malondialdehyde）含量、旗叶氮含量和产量的相关性。结果表明,小麦叶片原始光谱在开花后26 d起800～1 330 nm区间的光谱反射率以N3（1/3底施+1/3冬前追肥+1/3拔节期追肥）处理为最高,N1处理（1/2底施+1/2冬前追肥）次之。主要原因是由冬前和拔节期两个时期均施三分之一氮肥,增强了叶片光合能力。小麦冠层原始光谱,在400～700 nm波段,N2（1/2底施+1/2拔节期追肥）处理最低;在760~1 368 nm波段区间,由于群体结构不同,在开花期至灌浆中期N1处理的光谱反射率最高,N3处理次之;N3处理的冠层光谱反射率在开花后26和33 d最高。建议用400～700和760～1 368 nm波段的冠层原始光谱数据,分别来辨别小麦旗叶含氮量的高低及施肥模式。叶片模式下一阶微分光谱在500～750 nm区间出现两个“峰”,通过峰的位置偏移程度和偏移时期来估测施氮的模式。在670～740 nm区间冠层一阶微分光谱值在开花期最高,开花后10 d的一阶微分光谱值最低。在开花期至开花后10 d N1处理的一阶微分光谱值高于N3处理;灌浆中期至开花后33 d N3处理的一阶微分光谱值高于N1处理。可以通过一阶微分最大值来推测小麦所处的生育期和施肥的方式及施肥时期。在开花期至灌浆中期,冠层反射率一阶导数最大值（FD-Max）N1处理最高,N3处理次之;在开花后26～33 d,N3处理的群体结构较其他处理密,导致其一阶导数最大值一直最高。四个处理叶片一阶导数最大值变化趋势不如冠层显著。四个处理的反射率一阶导数最大值对应的红边位置（REP_FD-Max）中,N1和N3冠层REP_FD-Max在灌浆中期后偏移显著;在开花后26～33 d,N3处理的群体上层结构密,叶片宽且厚,冬前追施氮肥影响REP_FD-Max偏移程度。基于NDVI基础上,筛选出一个新指数--归一化差异最大指数。冠层归一化差异最大指数（CNDMI）与农化参数的相关系数高于叶片归一化差异最大指数（LNDMI）,且CNDMI与产量的相关性比LNDMI显著。冠层归一化差异最大指数与旗叶氮含量、SPAD值和MDA含量有着显著的相关性,相关系数r分别为0.812 88,0.928 21和-0.722 17。综上所述,借助光谱数据和红边参数可以推测小麦含氮量的高低,所处的生育期和施氮肥的模式,进而为田间施肥管理及施肥诊断提供依据。CNDMI与小麦产量有着更好的相关性,符合我国资源卫星的光谱波段范围,具有可实际操作性。     

玉米生长期叶片叶绿素含量检测研究

分析了在正常、偏低、偏高等不同施氮水平下,玉米生长期冠层反射光谱与叶绿素含量的相关关系,结果表明玉米叶绿素含量检测的敏感期为拔节期和喇叭口期.正常施氮水平下玉米冠层光谱反射率与叶绿素含量相关关系高于其他施氮水平,即r正常>r偏高>r偏低.整个生长期由苗期开始二者相关系数绝对值满足先上升后下降,于开花吐丝期达最低后回升的趋势,其中玉米拔节期和灌浆期冠层反射光谱与叶绿素含量呈正相关.选取558,667,714和912 nm,分别对玉米拔节期和喇叭口期建立了MLR和PLSR检测模型,经比较,虽然PLSR模型复相关系数较MLR模型有所降低,但模型鲁棒性得到增强.分析拔节期和喇叭口期各种植被指数与叶绿素含量的相关关系,表明DVI优于其他指数,且拔节期DVI与叶绿素含量呈二项式相关,喇叭口期二者呈指数相关.     

稻干尖线虫病胁迫水稻叶片波谱响应特征及识别研究

对植被病害的精确识别是采取植保措施的前提,同时对喷施农药也具有积极的指导作用。比较了受稻干尖线虫胁迫水稻叶片和健康叶片色素含量、光谱反射率、高光谱特征参数,受害水稻叶片与健康叶片相比,叶绿素和类胡萝卜素含量分别降低18%和22%;光谱反射率在蓝紫光、绿光和红光谱段分别增加1.5,1和2.3倍,在近红外和短波红外区域分别降低约28.9%和26.3%,红边和蓝边分别蓝移约8和10nm,绿峰和红谷分别红移约8.5和6 nm。以红边面积和红边位置作为C-SVC(非线性软间隔分类机)的输入向量,对受害和健康叶片进行识别,精度为100%。研究表明,水稻叶片光谱对病害胁迫具有显著的响应特征,利用C-SVC对受害和健康叶片进行辨别的方法是可行的。     

基于神经网络的叶绿素含量精细测量建模方法研究

活体植物叶片叶绿素含量SPAD值易受叶片厚度、水分等影响,提出了基于多参数神经网络建模的叶绿素含量精细反演方法。通过测量叶片在中心波长分别为650,940和1 450 nm光照射下的透过率,获得叶片的SPAD值和水分指数WI(water index),同时用数字螺旋测微仪测量相应的叶片厚度并用分光光度法测得其叶绿素含量。利用建模集样本分别建立SPAD值与实测叶绿素含量之间的单参数模型和基于BP神经网络的WI、厚度及SPAD值与实测叶绿素含量之间的非线性模型。利用这两种模型分别计算获得验证集样本的叶绿素含量预测值,对预测值和实测值进行了相关分析和相对误差的分析。实验以340个三种不同植物叶片为样本,用以上方法进行了分析。结果表明,利用BP神经网络建模后,每种植物样本的叶绿素含量预测精度都有不同程度的提高,尤其对于叶片厚度值较大的样本,效果更为明显。数据显示所有混合样本平均相对误差绝对值由单参数模型的7.55%降低到5.22%,实测值与预测值的拟合决定系数由0.83提高到0.93。验证了利用多参数BP神经网络模型可以有效地提高活体植物叶绿素含量预测精度的可行性。